人是怎么废掉的?

cuda安装时出现错误 Unable to locate package cuda-toolkit-12-4 阅读详情

很多码头城市都有“早酒文化”,也就是在早上喝几杯白酒,搭配高碳高脂的早餐,吃完以后再回家睡觉。形成这种文化的主要原因是,码头城市有很多以卸货为生的工人,而卸货通常是在晚上进行,在苦熬了一个通宵之后,已经身心俱疲,为了能睡个好觉,只好在早餐时喝点高度白酒,时间长了就形成了一种文化。

这种生活是很伤身体的,这一点码头工人肯定也知道,但喝早酒的习惯却根深蒂固。原因也很简单,不这样做日子是要过不下去的。在充满苦的环境中,早上的几杯劣质白酒是唯一可以确定的甜,是生活唯一的“正反馈”来源。这也就是为什么有人劝他们戒酒,他们就会来一句“这是我唯一的爱好,戒了活着还有什么劲”。

其实我们和码头工人也没什么区别,大部分人的工作都是没有“正反馈”可言的,基本上就是枯燥任务的反复循环,犹如被惩罚的西西弗斯,一次又一次地推石头上山。人如果长期待在这种“负反馈”的环境之中,生命力很快就会耗尽,不得不依靠“低级娱乐”来输入"正反馈"。这也就是为什么很多人下班以后,选择看综艺、刷短视频、打游戏,而不是学习的原因。

但问题是,当工作中的“负反馈”和业余时间“低级娱乐”带来的正反馈,达到某种平衡以后,所有尝试打破这种平衡的行为,都会变得难以忍受。

比如你打算摒弃低级娱乐,尝试在业余时间学习新技能,或者做一个副业,就会导致工作中的“负反馈”无法消解。与此同时,进入陌生领域也会带来新的“负反馈”,两者叠加在一起,人就很难坚持下去。大多数人自我提升计划的失败,基本上都是这个原因。

身处这样的状态,最直接的感受就是“怎么着都不行”。学习,学不进去;创业,找不到门路。就好像困在玻璃罩的苍蝇,看起来到处都是出口,但就是飞不出去。

长期如此,人就会被环境“体制化”,也就是身体、大脑、认知,甚至是性格,都会往融入当前环境的方向发展,以适应让自己痛苦,但又无法逃离的生活。而适应的代价就是灵气的消失,以及学习能力的退化。

就像老年闰土的麻木,本质上就是被生活捶打以后,产生的自我保护。如果他一辈子都是那个勇敢灵动的少年,在严酷的旧社会是生存不下去的。无论是粗粝的神经,还是唯唯诺诺的性格,其实都是生存适应的结果。

还有前面提到的喝早酒的码头工人,他们在年轻的时候肯定也不习惯这种生活,但人的适应能力非常强,早上来一斤劣质白酒,就能洗刷掉一夜的疲劳,睡一觉后又能继续苦熬。然后随着时间的推移,他们就会觉得这种生活也行,日子也能过得下去。

但人生就怕这个“也行”,因为真的行。在你看来这种日子也许很苦,但习惯了这种生活以后,他们大脑分泌的“痛苦激素”未必有熬夜做PPT的白领多。

从这个角度来说,被“体制化”好像也没什么不好,最起码痛苦的感受没那么强烈了。但人所有的行为都是被情绪驱使的,所有的努力都是对当下的不满。如果痛苦的不再让你感到的痛苦,难受的不再让你难受,就会选择安于现状,人生的可能性也就消失殆尽了。

当你的认知、心态、技能,与环境融为一体之后,不管身处的环境多么恶劣,其实都是你的舒适区,任何主动或被动的改变都会造成不适。

影史经典《肖申克的救赎》对“体制化”有很精彩的阐述:起初你恨这些高墙,接着你适应了它们,时间久了,你反而变得离不开它们。

很明显,如果你不幸被“体制化”了,人基本也就废了,因为这是一个很深的泥潭,不可能靠自己的力量挣扎出来。其次,你周围的人大概率也被“体制化”了,他们也不可能有多余的力量把你拉出来。所以我们只能在掉进“体制化”的泥潭之前做点什么。

首先,要尽量避免没有前途的工作,消耗自己的“生命力”。

稍微有点悟性的人,在工作两年以后都会认识到,上班这件事就是个“骗局”,用某位大神的话来说就是“青年无利,壮年无名,终极无赏”,沿着这条路走下去,大概率人到中年,性价比下降,沦为失业高危人群。

当然也有例外,就是你运气好,进了发展迅速的独角兽公司,老板用期权换你的努力,否则没有任何工作值得你投入超过50%的精力。

因为上班的投入产出比太差了,除了在前两年可以提升一点工作技能,后面基本上就是对自己生命力的无意义消耗。因此把大部分精力投入工作和职场上的蝇营狗苟,显然是不划算的。

当然,为了避免没有前途的工作消耗自己,贸然辞职也是不划算的,因为当下的工作就是你资源、技能、人脉的最好体现,短期内不可能会有更好的选择。

所以,对付没有前途的工作,最好的办法就是用低功耗维持工作运转。具体来说就是,把工作当成工具而不是目的,在心理上与工作脱节,不主动辞职,但也不追求进步,更不和同事争抢。把老板、上司、同事在内心“NPC化”,也就是不把他们当人看,无论他们多么傻x,都不与他们发生冲突,但也不多干活。

总结一下就是,不说硬话,不做软事,姿态拉满,但绝不让任何没有前途的工作内容和人际关系消耗自己。然后把节省出来的精力,专注于提升自己和扩展“弱联系”。

弱联系,顾名思义就是微弱的联系。

大家逢年过节肯定都收到过,一些小老板或者销售群发的祝福信息。而群发这种行为,人们多少都有点反感,以生意人的精明不可能意识不到这一点,但他们依然长年坚持群发,执着的与你保持一种很微弱的联系。这就说明群发祝福信息一定是有“正反馈”的,不然坚持不下去。

其实这就是“弱联系”的妙用,“弱联系”可以理解为朋友圈的点赞之交,也就是互相知道对方是做什么的,但在生活中几乎没有什么来往。然而这种关系的作用,往往比生活中经常见面的“强联系”要大得多。

这些生意人可能没有读过什么社会学著作,但都从实践中发现了“弱联系”的价值。

我有一个律师朋友,他从入行开始,就想法设法蹭各种行业大会,结交各行各业的人。他维护人脉的方法非常简单,就是朋友圈点赞+评论+逢年过节群发祝福。

别看这一招很简单,很多人一有法律上的问题,第一个想到的就是他。而且在很多时候,他就是客户朋友圈里唯一的律师。就是靠着这一手,他执业三年以后,就从授薪律师,开始自己单干,收入比很多入行十几年的老律师都高。

我还有一个程序员朋友,他的性格与大家对程序员的刻板印象完全相反,非但不宅,反而热衷于参加各种同城活动,这让他认识了很多IT圈子以外的人,成了很多人朋友圈里唯一个程序员。而这又让他有了意料之外的收获,就是有人需要定制开发软件的时候,第一时间就会找他咨询。这让他私活不断,自己做不过来,还会转包给其他人,以至于私活收入,甚至比本职工作还要高。

我常说,很多事情很多道理,年纪到了都能懂,但早懂和晚懂是不一样的命运。年轻人对社交,对搞人脉的反感是可以理解的,但如果早点认识到社交的价值,以及什么样的人脉才是有效人脉,会领先同龄人好几个身位。

这些年大家都在说拒绝无效社交,这当然是对的。然而很多人以此为借口,心安理得的待在小圈子里,其实压根就没搞明白什么是无效社交。

其实反常识的一点是,熟人社交反而是无效社交。

按社会学家格兰诺维特(提出弱联系概念的人)说法,人们通常只能从“强联系”中获得表达性支持,简单来说就是熟人只有情绪价值,你不开心了,能抚慰你,并和你一起吐槽让你不开心的人;而从“弱连接”中则更容易获得工具性支持,能产生更多实质性的价值。

比如在找工作的这样的场景中,弱联系通常比强联系更有用。前面提到的社会学家格兰诺维特,为了写他的博士论文,专门研究了一批专业人士、技术人员、经理人是怎么找工作的。他发现超过半数的人,都是通过个人关系找到工作的。而真正发挥作用的关系,不是亲朋好友这样的“强联系”,而是一年也见不到一次的“弱联系”。比如联系不多的老同学、老同事,甚至是社交场合结识的泛泛之交。

原因也很简单,整天混在一起的熟人小圈子,做的事和信息渠道也都差不多,该共享的信息和资源,都共享的差不多了,你不知道的工作机会,你的朋友自然也不太可能知道。

而稍微待遇好点的公司,职位内推的占比都是很大的,像阿里、腾讯、百度这样的大厂,内推的占比都在50%左右。所以,如果平常不对“弱联系”进行有意识的维护和扩展,无形之中就会落后于人,当你还在四处盲投简历的时候,别人的简历已经直达部门Leader。

“弱联系”还有一个重大好处,就是扩大见识。熟人小圈子对世界的认知也都趋同,很难带给你看待问题的全新视角。所以在与“强联系”的交往中,很难获取到有价值的信息,更不可能提升认知。

有句话说“你现在的生活源于三年前的选择”,而选择通常是从得到一个信息开始的。这世上多的是我们不知道的生意和商业模式,多认识一个人,就有可能多了解一个事物的存在。而多了解一个新事物,就等于为生活加入了一些新变量,人生才不至于一潭死水。

(完)

点击下方图片,查看更多精彩

afb928fa61ea952339ddc28536c532d0.png

2dc639d32e67c3ee5398abbe5b21a899.png

6d43c6cebbe00c0a1ea48ed34a7084a9.png

512b5979eadb665325477a57f7ef4c71.png

98b330aeb4a0a2c09493848e1b652b11.png

《21天学通C++》阶段性成果测试题——hstring(手写string类) 总体考察了类的使用,缓冲区考察了指针和数组的使用、增删改查、考察编码思维、考察了类的重载。1.初始化子字符串的起始位置为-1,表示未找到,若buffer或findHstring为空,则返回-1。右边的字符串不为空,则分别获取母串和子串的长度(用循环),然后创建一个固定大小的数组。3.然后循环遍历寻找子串在母串中的起始位置,循环时可以通过两个长度相减,避免循环越界。2.如都不为空,则分别获取双方的字符串长度(用循环),然后。右边的字符串为空,则输出原来的字符串。是否为空,有一方为空则返回另一方。 阅读详情

相关推荐

小新学习K8s第一天之K8s基础概念

kubernetes是一个可移植,可扩展的开源平台,用于管理容器化工作负载和服务,有助于声明式配置和自动化。它拥有庞大且快速发展的生态系统。kubernetes服务,支持和工具随处可见。作用:用于自动部署,扩展和管理“容器化应用程序”的开源系统。可以理解成k8s是负责自动化运维管理多个容器化程序(比如docker)的集群,是一个生态及其丰富的容器编排框架工具。

pangdongqiqi的博客 1229

长期不上班,人会废掉吗?

产生不想工作也不想找工作想法的直接原因是职场内耗导致的心力交瘁、厌烦甚至是惧怕职场生活。这种心情可以理解,但是人是不是因此会废掉,需要更为深入的讨论。 前程无忧曾发起过一项调查——“长期不上班,人真的会废掉吗”,收集了网友的表态,结果如下:57%的人认为长期不上班确实不利于人的发展,各方面会退化;仅有10%的人选择了不会,认为上不上班都不影响个人的成长;另有33%的人选择了“不好说,看人”。毕竟在相同的环境下,不同的人确实会产生不一样的际遇。接下来就一起看看不同立场的人,具体是怎么想的吧。 选择了“会废

3717

EMQX 结合MySQL实现精细化ACL权限管理实战

本文详细介绍了如何通过EMQX结合MySQL实现精细化的ACL权限管理,提升物联网设备接入和消息传输的安全性。内容包括环境准备、基础配置、权限规则设计技巧以及高级应用与性能优化方案,帮助开发者快速掌握动态生效、便于管理的权限控制方法。

weixin_28683689的博客 198

废掉一个人最好的方式

废掉一个人最好的方式有二:一是让他闲死,一是让他忙死。 让你闲死的本质是:闲到让你失去目标,失去热情,失去希望。闲到让你走不出自己的舒适区;闲到让你稍微做出点改变你就会有情绪;闲到让你只沉溺于短期快感,不再做长期计划。 让你忙死的本质是:没有持续的增量成长,忙到没时间成长。 自律给我们自由,自律不是无休止的工作,而是有节奏,有方法,有成长,有复利的长期坚持。 如果你不想废掉,走出自己是的舒适区,改变自己,做长期规划,找到自己成长的节奏,找对方法,每天成长一点点,长期坚持,等待复利,等待自律带给你的自

BabyFish13 1079

从GitHub到海浪模拟:手把手教你配置WAVEWATCHⅢ 6.07.0的完整开发与测试环境

本文详细指导如何在Ubuntu系统中配置WAVEWATCHⅢ 6.07.0的开发与测试环境,涵盖虚拟机设置、依赖安装、源码编译及案例验证的全流程。通过步骤化教程,帮助科研人员快速搭建高效的海浪模拟平台,提升海洋数值模拟的研究效率。

weixin_42568801的博客 326

从Reset到Read:深入解析Rolling Shutter曝光流水线

本文深入解析Rolling Shutter(卷帘曝光)的工作原理,重点探讨Reset和Read信号在图像传感器中的关键作用。通过Reset-Read流水线机制,详细解释了曝光控制、时序调优及运动伪影补偿等核心技术,帮助读者理解卷帘曝光在高速摄影和动态场景中的应用。

weixin_42531925的博客 255

人是如何废掉的?

转发语:在《用Python对自己的文章做文本分析》这篇文章中,提到了《人是如何废掉》的这篇文章,关键词是“手机”和“挫败”。现在重读这篇我写于2018年12月的文章,发现对“废掉”的这一...

fire2341的博客 229

Python爬虫教程:抓取电商网站评论(以淘宝和京东为例)

通过本文的介绍,我们学会了如何使用Python编写爬虫,抓取淘宝和京东等电商平台的商品评论数据。我们介绍了如何使用电商平台提供的开放API以及如何通过模拟浏览器来抓取动态加载的数据。此外,我们还讨论了如何应对反爬虫技术,如何存储抓取的数据等。爬取电商平台的数据是一个强大的工具,能够为市场分析、消费者行为研究、产品优化等领域提供有力的支持。然而,在使用爬虫技术时,我们必须遵循法律法规,尊重平台的隐私政策,避免滥用数据。

2201_76125261的博客 1738

《人是怎么废掉的》

大学生励志墙 :人是怎么废掉的? 害怕改变,没有勇气及时止损。要么沉溺于过去的辉煌,要么屈服于现实的安稳。人生只有一次,生命短暂多舛,多听听自己内心的声音,才能活出不废的人生啊。 只接受碎片化的信息,不进行系统完整的梳理与思考。刷微博、刷知乎,被动接受许多资讯,但不进行自主思考,没有形成自己的观点,充实自己的内心。 拖延症、拖延症、拖延症。下午再做吧,晚上再做吧,明天再做吧,下周再做吧,明年吧…...

Nancy_fairy的博客 393

如何通过插值法计算cell delay?

插值法的公式:Z = A + B * X + C * Y + D * X * Y,其中X为input transition,Y为output load,A、B、C、D为四个参数,Z为delay值。从而得到Z=-0.086176 + 11.5493 * x + 0.65917 * y - 24.859 * x * y,当X=0.014930、Y=0.296311时,得到Z=0.1716ns。从而得到A = 0.08075,B = 3.47539,C = 0.04008,D = 0.01648。

芯冰乐 1077

YOLOv11-Pose部署RK3588实战:人体姿态识别精度翻倍,边缘推理速度突破瓶颈

本教程从YOLOv11-pose模型的姿态识别训练,到RK3588的边缘量化部署,为你打造了一套“高精度+高实时性+低成本”的人体姿态分析解决方案。无论是健身动作纠正、智能安防行为检测,还是工业人员姿态监控,这套技术都能直接复用——你只需替换数据集与业务逻辑,即可快速落地专属的边缘AI姿态识别系统。如果你在实践中遇到任何卡点,欢迎随时交流。记住,人体姿态识别的价值在于“关键点准、推理快、部署易”,而这三者的平衡,正是你通过本教程能掌握的核心能力。

m0_64661770的博客 138

[抄]人是怎么废掉的

问题链接 人是如何废掉的? 沉溺于“轻易获得高成就感”的事情 有意无意地寻求用很小付出获得很大“回报”的偏方,哪怕回报是虚拟的。这种行为会提升自己的“兴奋阈值”,让人越来越不容易拥有成就感,从而越来越依赖虚拟的成就感,陷入恶性循环。 短期努力无法带来超额回报,因此放弃努力,转而寻求“容易获取短期成就感”的事物。 沉迷于短期成就感,不作长期投入。于是许多人沉迷玩游戏、看爽文等等能获得短期成...

446

深度学习时间序列预测:GRU算法构建多变量时间序列预测模型+代码实战

深度学习多变量时间序列预测:GRU算法构建多变量时间序列预测模型+代码实战 注意参考:深度学习多变量时间序列预测:GRU算法构建单变量时间序列预测模型+代码实战 GRU(Gate Recurrent Unit)是循环神经网络(Recurrent Neural Network, RNN)的一种。和LSTM(Long-Short Term Memory)一样,也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。 GRU和LSTM在很多情况下实际表现上相差无几,那么为什么我们要使用新人GRU(.

data+scenario+science+insight 4033

一个人是怎么废掉的?

一个人是怎么废掉的? 考虑一千次,不如去做一次!犹豫一万次,不如实践一次!华丽的跌倒,胜过无谓的徘徊!据学者研究:一个人没出息一定有以下这九大根源。 一、犹豫不决 比鲁莽更糟糕的是犹豫不决。 像墙头草一样摇摆不定的人,无论其他方面多么强大,在生命的竞赛中总是容易被那些坚定的人挤到一边。雷厉风行难免会犯错,但比什么也不敢做强。怀特·黑德说:“畏惧错误就是毁灭进步。” 二、拖延 计划很丰满,执行很骨感。 很多时候拖延就是逃避问题和懒惰。 把横在面前的困难放大,望而却步,抱着能拖一天是一天的心态找各种借口逃避

qq_42068809的博客 439

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

未明学院:废掉一个人最隐蔽的方式,是让他忙到没时间成长

学习永无止境,无论是在校园里还是职场中。 当你每天拖着沉重的行囊回到家中,是否还有坚持学习的习惯? 当你在公司忙碌终日之后,是否还有时间整理自己的思绪? 今天这篇文章就是为了告诉大家,无论每天的日程多么紧张,都要在保持持续学习,持续成长的习惯。 不断提升的自己,永远充满价值。 作者 l 粥左罗 来源 l 粥左罗(ID:fangdushe520) 转载请联系授权(微信ID:MFs...

EnlightenAcademy的博客 374

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

思维破局:真正废掉一个人的,从来都不是一份稳定的工作

我在更新公众号文章的时候,经常会以身边的一些朋友的故事作为题材,将他们如何辞职创业,如何依然辞去令人羡慕的工作,去过另一种人生。 我时常也会提到一些读者的困惑。有不少读者问我:目前的工作环境过于安逸,像一潭死水,要不要换一份工作,走出去看看? 之所以分享这些,是因为我想告诉大家,世界上总有一些人在努力改变自己,在不断折腾、奋进,他们身上的那种勇气和进取的精神值得我们学习。 这样的人往往比较容易收获成功,更有可能看到不一样的世界,拥有不一样的人生。 ...

飞熊的博客 1727

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

废掉一个人最隐蔽的方式,是让他忙到没时间成长

作者 l 粥左罗来源 l 粥左罗(ID:fangdushe520)转载请联系授权(微信ID:MFshow)大家可能都看过一个观点「废掉一个人最快的方式,就是让他闲着」。...

程序员小灰的博客 7633

人是怎么废掉的?人是怎么变强的?

如果某一个机会是自己能够有机会触及的,并且失败了能东山再起的,说明你是有能力完成它的,可把此翻历练是打怪升级的好契机,赢了固然可喜可贺,输了亦当提前演练,日积月累心理素质会愈发强大。当你不断自我暗示,你真的开始相信自己具备这些品质以后,你的身体,欲望,行动力,就会自己跟上,从四面八方裹挟你,推动你,让你走向光明未来。成为优秀的人的第一步就是先相信自己优秀,然后假装自己优秀,直到你的表演说服了你自己,融入你的生命,你就会惊奇的发现,你,真的很优秀。**这样的思维模式,自然会带你找到你喜欢的生活和喜欢的事情。.

尹文伟的博客 949

人是如何废掉的

假如每天干正事的时间少于6小时就算废掉,那么……我废掉的日子还真的很多。很多事,用一天的时间完成在自己眼里是正常的,用两天时间完成在别人眼里是可以原谅的,用三天时间完成也是可以找到借口说服别人的,用三天以上的时间完成也是可以找到理由说服自己的……那么,下面以我为例,阐释人是怎么样废掉的…… 废掉的时间段 (1)不清醒的时间 早上起床、中午起床、晚上起床,甚至是趴桌子睡觉的时间,不清醒的时间总是顺从...

fire2341的博客 135

一个人开始废掉的3种迹象

一个人开始废掉的3种迹象 作家李尚龙说:“在大城市里,搞废一个人的方式特别简单。给你一个安静狭小的空间,给你一根网线,最好再加一个外卖电话。好了,你开始废了。” 之前的我并不相信人会这么轻易地堕落,直到身边出现了一个真实的例子。 前段时间的同学聚会上,见到了许久没见的W君。 学生时代清瘦的少年模样,如今竟发福得如同中年大叔。 和他聊天后我才知道,毕业之后的他辗转换了几次工作,却仍无法适应...

rede 1989
上一篇: 曾经对程序员最好的公司,倒下了
下一篇: 图解 | 你管这破玩意儿叫指针?
码农翻身
码农翻身 《码农翻身》作者 《码农翻身》作者
博客等级 码龄8年 3万+粉丝 1084原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值